آلفافولد

آلفافولد (به انگلیسی: AlphaFold) برنامه برپایه هوش مصنوعی است که توسط دیپ‌مایند، زیرمجموعه‌ای از شرکت آلفابت، توسعه یافته و پیش‌بینی ساختار پروتئین را انجام می‌دهد.^[۱] این برنامه به عنوان یک سیستم یادگیری عمیق طراحی شده است.^[۲]

نرم‌افزار آلفافولد دارای سه نسخه اصلی است. یک تیم از محققانی که از آلفافولد ۱ (۲۰۱۸) استفاده کردند، در رتبه‌بندی کلی مسابقه Critical Assessment of Structure Prediction (CASP) در دسامبر ۲۰۱۸ در رتبه اول قرار گرفتند. این برنامه به‌ویژه در پیش‌بینی دقیق‌ترین ساختار برای اهدافی که به‌عنوان دشوارترین‌ها توسط سازمان‌دهندگان مسابقه رتبه‌بندی شده بودند، موفق بود؛ جایی که هیچ ساختار الگوی موجود از پروتئین‌هایی با توالی مشابه جزئی وجود نداشت. تیمی که از آلفافولد ۲ (۲۰۲۰) استفاده کرد، همان جایگاه را در مسابقه CASP14 در نوامبر ۲۰۲۰ تکرار کرد.^[۳] این تیم دقتی بسیار بالاتر از هر گروه دیگری به‌دست‌آورد.^[۲]^[۴]

این تیم در آزمایش فاصله جهانی (GDT) CASP، که درجه شباهت پیش‌بینی ساختار برنامه‌های محاسباتی به ساختار تعیین‌شده توسط آزمایش‌های آزمایشگاهی را اندازه‌گیری می‌کند، امتیازی بالای ۹۰ به‌دست‌آورد که حدود دو سوم از پروتئین‌های موجود در آن را شامل می‌شود، جایی که ۱۰۰ به‌عنوان تطابق کامل در نظر گرفته می‌شود، در محدوده فاصله‌ای که برای محاسبه GDT استفاده می‌شود.^[۲]^[۵]

نتایج آلفافولد ۲ در CASP14 به‌عنوان «شگفت‌انگیز»^[۶] و «انقلابی» توصیف شد.^[۷] برخی از محققان اشاره کردند که دقت پیش‌بینی‌ها برای یک سوم از پیش‌بینی‌ها هنوز کافی نیست و اینکه این پیش‌بینی‌ها مکانیزم یا قوانین تاشدگی پروتئین را برای حل پیش‌بینی ساختار پروتئین آشکار نمی‌کنند.^[۸]^[۹] با این حال، احترام زیادی به دستاورد فنی این برنامه وجود دارد. در ۱۵ ژوئیه ۲۰۲۱، مقاله آلفافولد ۲ در نشریه نیچر به‌عنوان یک نشر پیشرفته منتشر شد و همراه با نرم‌افزار متن‌باز و یک پایگاه‌داده جستجوپذیر از پروتئوم‌های گونه‌ها منتشر گردید.^[۱۰]^[۱۱]^[۱۲] این مقاله تاکنون بیش از ۲۷ هزار بار ارجاع داده شده است.

آلفافولد ۳ در تاریخ ۸ مه ۲۰۲۴ اعلام شد. این نسخه می‌تواند ساختار ترکیب ایجاد شده توسط پروتئین‌ها با دی‌ان‌ای، آران‌ای، انواع لیگاندها و یونها را پیش‌بینی کند.^[۱۳] روش پیش‌بینی جدید حداقل ۵۰٪ بهبود دقت در تعاملات پروتئین‌ها با سایر مولکول‌ها نسبت به روش‌های موجود نشان می‌دهد. علاوه بر این، برای برخی دسته‌های کلیدی تعاملات، دقت پیش‌بینی به‌طور مؤثری دو برابر شده است.^[۱۴]

دمیس هاسابیس و جان ام. جامپر از تیم توسعه‌دهنده آلفافولد در سال ۲۰۲۴ جایزه نوبل شیمی را برای کارشان در زمینه «پیش‌بینی ساختار پروتئین» دریافت کردند. این دو نفر پیش از این در سال ۲۰۲۳ جایزه بریکترو در علوم زیستی و جایزه آلبرت لاسکر برای تحقیقات پزشکی پایه را به‌دست‌آورده بودند.^[۱۵]^[۱۶]

پیش‌زمینه

پروتئینها از ساختار اولیه پروتئینهایی تشکیل شده‌اند که در نتیجه تاشدگی پروتئین، ساختارهای سه‌بعدی (3D) پروتئین‌ها را به وجود می‌آورند. ساختار سه‌بعدی برای درک عملکرد بیولوژیکی پروتئین ضروری است.

ساختارهای پروتئینی می‌توانند از طریق روش‌های تجربی مانند بلورنگاری پرتوی ایکس، میکروسکوپ الکترونی کرایو و رزونانس مغناطیسی هسته‌ای تعیین شوند که همگی پرهزینه و زمان‌بر هستند.^[۱۷] تلاش‌ها برای تعیین ساختار پروتئین‌ها با استفاده از روش‌های تجربی، در طول ۶۰ سال گذشته، ساختار حدود ۱۷۰٬۰۰۰ پروتئین را شناسایی کرده است، در حالی که بیش از ۲۰۰ میلیون پروتئین شناخته‌شده در تمام موجودات زنده وجود دارند.^[۵]

در طول سال‌ها، پژوهشگران از روش‌های محاسباتی مختلفی برای پیش‌بینی ساختار پروتئینها از توالی‌های آمینواسیدی آنها استفاده کرده‌اند. دقت این روش‌ها در بهترین حالت نزدیک به تکنیک‌های تجربی (NMR) با استفاده از مدل‌سازی همولوژی بر اساس تکامل مولکولی است. CASP که در سال ۱۹۹۴ برای به چالش کشیدن جامعه علمی به منظور تولید بهترین پیش‌بینی‌های ساختار پروتئین راه‌اندازی شد، مشاهده کرد که امتیازهای GDT برای سخت‌ترین پروتئین‌ها تا سال ۲۰۱۶ فقط حدود ۴۰ از ۱۰۰ بود.^[۵] آلفافولد از سال ۲۰۱۸ در CASP با استفاده از تکنیک هوش مصنوعی یادگیری عمیق رقابت کرد.^[۱۷]

الگوریتم

دیپ‌مایند شناخته شده است که برنامه را بر روی بیش از ۱۷۰٬۰۰۰ پروتئین از بانک داده پروتئین، یک مخزن عمومی توالی‌ها و ساختارهای پروتئینی، آموزش داده است. این برنامه از نوعی توجه، یک تکنیک یادگیری عمیق استفاده می‌کند که بر شناسایی بخش‌هایی از یک مشکل بزرگ توسط هوش مصنوعی تمرکز دارد، سپس آن‌ها را کنار هم قرار می‌دهد تا راه‌حل کلی به دست آید.^[۲] آموزش کلی بر روی قدرت پردازشی بین ۱۰۰ تا ۲۰۰ واحد پردازش گرافیکی انجام شده است.^[۲]

جستارهای وابسته

پانویس

↑ "AlphaFold". Deepmind. Archived from the original on 19 January 2021. Retrieved 30 November 2020.
↑ ^۲٫۰ ^۲٫۱ ^۲٫۲ ^۲٫۳ ^۲٫۴ "DeepMind's protein-folding AI has solved a 50-year-old grand challenge of biology". MIT Technology Review (به انگلیسی). Archived from the original on 2021-08-28. Retrieved 2020-11-30.
↑ Shead, Sam (2020-11-30). "DeepMind solves 50-year-old 'grand challenge' with protein folding A.I." CNBC (به انگلیسی). Archived from the original on 2021-01-28. Retrieved 2020-11-30.
↑ Stoddart, Charlotte (1 March 2022). "Structural biology: How proteins got their close-up". Knowable Magazine. doi:10.1146/knowable-022822-1. S2CID 247206999. Archived from the original on 7 April 2022. Retrieved 25 March 2022.
↑ ^۵٫۰ ^۵٫۱ ^۵٫۲ Robert F. Service, 'The game has changed.' AI triumphs at solving protein structures بایگانی‌شده در ۲۰۲۳-۰۶-۲۴ توسط Wayback Machine, ساینس (مجله), 30 November 2020
↑ Mohammed AlQuraishi, CASP14 scores just came out and they're astounding بایگانی‌شده در ۲۰۲۲-۰۸-۰۴ توسط Wayback Machine, Twitter, 30 November 2020.
↑ Callaway, Ewen (2020-11-30). "'It will change everything': DeepMind's AI makes gigantic leap in solving protein structures". Nature (به انگلیسی). 588 (7837): 203–204. Bibcode:2020Natur.588..203C. doi:10.1038/d41586-020-03348-4. PMID 33257889. S2CID 227243204.
↑ Stephen Curry, No, DeepMind has not solved protein folding بایگانی‌شده در ۲۰۲۲-۰۷-۲۹ توسط Wayback Machine, Reciprocal Space (blog), 2 December 2020
↑ Ball, Phillip (9 December 2020). "Behind the screens of AlphaFold". Chemistry World. Archived from the original on 15 August 2021. Retrieved 10 December 2020.
↑ Jumper, John; Evans, Richard; Pritzel, Alexander; Green, Tim; Figurnov, Michael; Ronneberger, Olaf; Tunyasuvunakool, Kathryn; Bates, Russ; Žídek, Augustin; Potapenko, Anna; Bridgland, Alex; Meyer, Clemens; Kohl, Simon A A; Ballard, Andrew J; Cowie, Andrew; Romera-Paredes, Bernardino; Nikolov, Stanislav; Jain, Rishub; Adler, Jonas; Back, Trevor; Petersen, Stig; Reiman, David; Clancy, Ellen; Zielinski, Michal; Steinegger, Martin; Pacholska, Michalina; Berghammer, Tamas; Bodenstein, Sebastian; Silver, David; Vinyals, Oriol; Senior, Andrew W; Kavukcuoglu, Koray; Kohli, Pushmeet; Hassabis, Demis (2021-07-15). "Highly accurate protein structure prediction with AlphaFold". Nature (به انگلیسی). 596 (7873): 583–589. Bibcode:2021Natur.596..583J. doi:10.1038/s41586-021-03819-2. PMC 8371605. PMID 34265844.
↑ "GitHub - deepmind/alphafold: Open source code for AlphaFold". GitHub (به انگلیسی). Archived from the original on 2021-07-23. Retrieved 2021-07-24.
↑ "AlphaFold Protein Structure Database". alphafold.ebi.ac.uk. Archived from the original on 2021-07-24. Retrieved 2021-07-24.
↑ "AlphaFold 3 predicts the structure and interactions of all of life's molecules". Google (به انگلیسی). 2024-05-08. Archived from the original on 2024-05-09. Retrieved 2024-05-09.
↑ "Beyond AlphaFold 3: Navigating Future Challenges in Protein Structure Prediction" (به انگلیسی). 2024-05-10. Retrieved 2024-11-29.
↑ Hunt, Christian Edwards, Katie (9 October 2024). "Scientists who used AI to 'crack the code' of almost all proteins win Nobel Prize in chemistry". CNN (به انگلیسی). Archived from the original on 10 October 2024. Retrieved 9 October 2024.
↑ Knapp, Alex. "2023 Breakthrough Prizes Announced: Deepmind's Protein Folders Awarded $3 Million". Forbes (به انگلیسی). Archived from the original on 2024-05-09. Retrieved 2024-05-09.
↑ ^۱۷٫۰ ^۱۷٫۱ "AlphaFold: Using AI for scientific discovery". Deepmind. 15 January 2020. Archived from the original on 2022-03-07. Retrieved 2020-11-30.

پیوند به بیرون

سرور وب AlphaFold-3
کد AlphaFold v2.1 و پیوندهای مدل در گیت‌هاب
دسترسی آزاد به پیش‌بینی‌های ساختار پروتئین برای پروتئوم انسان و ۲۰ ارگانیسم کلیدی دیگر در مؤسسه اطلاعات زیستی اروپا (پایگاه داده ساختار پروتئین AlphaFold)
وب‌سایت CASP 14
AlphaFold: The making of a scientific breakthrough، دیپ‌مایند، از طریق یوتیوب.
ColabFold (Mirdita, Milot; Schütze, Konstantin; Moriwaki, Yoshitaka; Heo, Lim; Ovchinnikov, Sergey; Steinegger, Martin (2022-05-30). "ColabFold: Making protein folding accessible to all". Nature Methods (به انگلیسی). 19 (6): 679–682. doi:10.1038/s41592-022-01488-1. PMC 9184281. PMID 35637307.), نسخه برای پیش‌بینی همو الیگومریک و کمپلکس‌ها

[1] "AlphaFold". Deepmind. Archived from the original on 19 January 2021. Retrieved 30 November 2020.

[mittr20201130-2] ۲٫۰ ^۲٫۱ ^۲٫۲ ^۲٫۳ ^۲٫۴ "DeepMind's protein-folding AI has solved a 50-year-old grand challenge of biology". MIT Technology Review (به انگلیسی). Archived from the original on 2021-08-28. Retrieved 2020-11-30.

[cnbc20201130-3] Shead, Sam (2020-11-30). "DeepMind solves 50-year-old 'grand challenge' with protein folding A.I." CNBC (به انگلیسی). Archived from the original on 2021-01-28. Retrieved 2020-11-30.

[Stoddart-4] Stoddart, Charlotte (1 March 2022). "Structural biology: How proteins got their close-up". Knowable Magazine. doi:10.1146/knowable-022822-1. S2CID 247206999. Archived from the original on 7 April 2022. Retrieved 25 March 2022.

[science20201130-5] ۵٫۰ ^۵٫۱ ^۵٫۲ Robert F. Service, 'The game has changed.' AI triumphs at solving protein structures بایگانی‌شده در ۲۰۲۳-۰۶-۲۴ توسط Wayback Machine, ساینس (مجله), 30 November 2020

[AlQuraishiTweet2-6] Mohammed AlQuraishi, CASP14 scores just came out and they're astounding بایگانی‌شده در ۲۰۲۲-۰۸-۰۴ توسط Wayback Machine, Twitter, 30 November 2020.

[:52-7] Callaway, Ewen (2020-11-30). "'It will change everything': DeepMind's AI makes gigantic leap in solving protein structures". Nature (به انگلیسی). 588 (7837): 203–204. Bibcode:2020Natur.588..203C. doi:10.1038/d41586-020-03348-4. PMID 33257889. S2CID 227243204.

[curry-8] Stephen Curry, No, DeepMind has not solved protein folding بایگانی‌شده در ۲۰۲۲-۰۷-۲۹ توسط Wayback Machine, Reciprocal Space (blog), 2 December 2020

[9] Ball, Phillip (9 December 2020). "Behind the screens of AlphaFold". Chemistry World. Archived from the original on 15 August 2021. Retrieved 10 December 2020.

[nature20210715-10] Jumper, John; Evans, Richard; Pritzel, Alexander; Green, Tim; Figurnov, Michael; Ronneberger, Olaf; Tunyasuvunakool, Kathryn; Bates, Russ; Žídek, Augustin; Potapenko, Anna; Bridgland, Alex; Meyer, Clemens; Kohl, Simon A A; Ballard, Andrew J; Cowie, Andrew; Romera-Paredes, Bernardino; Nikolov, Stanislav; Jain, Rishub; Adler, Jonas; Back, Trevor; Petersen, Stig; Reiman, David; Clancy, Ellen; Zielinski, Michal; Steinegger, Martin; Pacholska, Michalina; Berghammer, Tamas; Bodenstein, Sebastian; Silver, David; Vinyals, Oriol; Senior, Andrew W; Kavukcuoglu, Koray; Kohli, Pushmeet; Hassabis, Demis (2021-07-15). "Highly accurate protein structure prediction with AlphaFold". Nature (به انگلیسی). 596 (7873): 583–589. Bibcode:2021Natur.596..583J. doi:10.1038/s41586-021-03819-2. PMC 8371605. PMID 34265844.

[11] "GitHub - deepmind/alphafold: Open source code for AlphaFold". GitHub (به انگلیسی). Archived from the original on 2021-07-23. Retrieved 2021-07-24.

[12] "AlphaFold Protein Structure Database". alphafold.ebi.ac.uk. Archived from the original on 2021-07-24. Retrieved 2021-07-24.

[:0-13] "AlphaFold 3 predicts the structure and interactions of all of life's molecules". Google (به انگلیسی). 2024-05-08. Archived from the original on 2024-05-09. Retrieved 2024-05-09.

[14] "Beyond AlphaFold 3: Navigating Future Challenges in Protein Structure Prediction" (به انگلیسی). 2024-05-10. Retrieved 2024-11-29.

[:42-15] Hunt, Christian Edwards, Katie (9 October 2024). "Scientists who used AI to 'crack the code' of almost all proteins win Nobel Prize in chemistry". CNN (به انگلیسی). Archived from the original on 10 October 2024. Retrieved 9 October 2024.

[:72-16] Knapp, Alex. "2023 Breakthrough Prizes Announced: Deepmind's Protein Folders Awarded $3 Million". Forbes (به انگلیسی). Archived from the original on 2024-05-09. Retrieved 2024-05-09.

[:3-17] ۱۷٫۰ ^۱۷٫۱ "AlphaFold: Using AI for scientific discovery". Deepmind. 15 January 2020. Archived from the original on 2022-03-07. Retrieved 2020-11-30.

[۱]

[۲]

[۳]

[۴]

[۵]

[۶]

[۷]

[۸]

[۹]

[۱۰]

[۱۱]

[۱۲]

[۱۳]

[۱۴]

[۱۵]

[۱۶]

[۱۷]